Zobrazeno 1 - 10
of 48
pro vyhledávání: '"Lenz, Tim"'
Autor:
Shcherbyna1, Volodymyr, Kästner, Linh, Diaz, Diego, Nguyen, Huu Giang, Schreff, Maximilian Ho-Kyoung, Lenz, Tim, Kreutz, Jonas, Martban, Ahmed, Zeng, Huajian, Soh, Harold
Building on the foundations of our previous work, this paper introduces Arena 4.0, a significant advancement over Arena 3.0, Arena-Bench, Arena 1.0, and Arena 2.0. Arena 4.0 offers three key novel contributions: (1) a generative-model-based world and
Externí odkaz:
http://arxiv.org/abs/2409.12471
Autor:
Neidlinger, Peter, Nahhas, Omar S. M. El, Muti, Hannah Sophie, Lenz, Tim, Hoffmeister, Michael, Brenner, Hermann, van Treeck, Marko, Langer, Rupert, Dislich, Bastian, Behrens, Hans Michael, Röcken, Christoph, Foersch, Sebastian, Truhn, Daniel, Marra, Antonio, Saldanha, Oliver Lester, Kather, Jakob Nikolas
Advancements in artificial intelligence have driven the development of numerous pathology foundation models capable of extracting clinically relevant information. However, there is currently limited literature independently evaluating these foundatio
Externí odkaz:
http://arxiv.org/abs/2408.15823
Deep Learning models have been successfully utilized to extract clinically actionable insights from routinely available histology data. Generally, these models require annotations performed by clinicians, which are scarce and costly to generate. The
Externí odkaz:
http://arxiv.org/abs/2403.04558
Joint multi-task learning improves weakly-supervised biomarker prediction in computational pathology
Autor:
Nahhas, Omar S. M. El, Wölflein, Georg, Ligero, Marta, Lenz, Tim, van Treeck, Marko, Khader, Firas, Truhn, Daniel, Kather, Jakob Nikolas
Deep Learning (DL) can predict biomarkers directly from digitized cancer histology in a weakly-supervised setting. Recently, the prediction of continuous biomarkers through regression-based DL has seen an increasing interest. Nonetheless, clinical de
Externí odkaz:
http://arxiv.org/abs/2403.03891
Autor:
Nahhas, Omar S. M. El, van Treeck, Marko, Wölflein, Georg, Unger, Michaela, Ligero, Marta, Lenz, Tim, Wagner, Sophia J., Hewitt, Katherine J., Khader, Firas, Foersch, Sebastian, Truhn, Daniel, Kather, Jakob Nikolas
Hematoxylin- and eosin (H&E) stained whole-slide images (WSIs) are the foundation of diagnosis of cancer. In recent years, development of deep learning-based methods in computational pathology enabled the prediction of biomarkers directly from WSIs.
Externí odkaz:
http://arxiv.org/abs/2312.10944
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Wu, Ruikai, Lenz, Tim M., Stieglitz, Lucas, Galois, Raphaël, Zhao, Ruohan, Rupper, Patrick, Lehner, Sandro, Jovic, Milijana, Neels, Antonia, Gaan, Sabyasachi, Rieger, Bernhard, Heuberger, Manfred
Publikováno v:
In Journal of Catalysis July 2023
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Angewandte Chemie; 9/16/2024, Vol. 136 Issue 38, p1-9, 9p